Erkennung und Klassifizierung von Mikro-Gitterfehlern basierend auf HHT und Techniken des maschinellen Lernens

Diese Studie präsentiert ein neuartiges Schutzschema für Mikro-Gitter, das auf der Hilbert-Huang-Transformation (HHT) und Techniken des maschinellen Lernens basiert. Die Initialisierung des vorgeschlagenen Ansatzes erfolgt durch Extraktion der dreiphasigen Stromsignale an den Zielbussen verschiedener Einspeisungen. Die erhaltenen nicht-stationären Signale werden durch die Methode der empirischen Moduszerlegung geleitet, um verschiedene intrinsische Modusfunktionen (IMFs) zu extrahieren. Im nächsten Schritt werden mit HHT für die ausgewählten IMF-Komponenten verschiedene notwendige differenzielle Merkmale berechnet. Die extrahierten Merkmale werden als Eingangsvektor für die maschinellen Lernmodelle verwendet, um die Fehlerereignisse zu klassifizieren. Das vorgeschlagene Schutzschema für Mikro-Gitter wird für verschiedene Schutzszenarien getestet, wie z.B. die Art des Fehlers (symmetrisch, asymmetrisch und Hochimpedanzfehler), Struktur des Mikro-Gitters (radial und Maschen) und Betriebsmodus (insular und netzverbunden) usw. Drei verschiedene Modelle des maschinellen Lernens werden in diesem Rahmen getestet und verglichen: Naive Bayes-Klassifikator, Support-Vektor-Maschine und Extreme Learning Machine. Die umfangreichen simulierten Ergebnisse aus einem standardisierten IEC-Mikro-Gitter-Modell beweisen die Wirksamkeit und Zuverlässigkeit des vorgeschlagenen Schutzschemas für Mikro-Gitter.